📌  相关文章
📜  Keras-模块

📅  最后修改于: 2020-12-11 04:54:08             🧑  作者: Mango

如前所述，Keras模块包含预定义的类，函数和变量，它们对于深度学习算法很有用。让我们学习本章中Keras提供的模块。

可用模块

首先让我们看看Keras中可用的模块列表。

  • 初始化-提供的初始化函数的列表。我们可以在Keras层一章中详细了解它。在机器学习的模型创建阶段。

  • 正则化器-提供正则化器函数列表。我们可以在Keras Layers一章中详细了解它。

  • 约束-提供约束函数列表。我们可以在Keras Layers一章中详细了解它。

  • 激活-提供激活器函数列表。我们可以在Keras Layers一章中详细了解它。

  • 损失-提供损失函数列表。我们可以在“模型培训”一章中详细了解它。

  • 指标-提供指标函数列表。我们可以在“模型培训”一章中详细了解它。

  • 优化器-提供优化器函数列表。我们可以在“模型培训”一章中详细了解它。

  • 回调-提供回调函数列表。我们可以在训练过程中使用它来打印中间数据，并根据某些条件停止训练本身( EarlyStopping方法)。

  • 文本处理-提供将文本转换为适用于机器学习的NumPy数组的功能。我们可以在机器学习的数据准备阶段使用它。

  • 图像处理-提供将图像转换为适合机器学习的NumPy数组的功能。我们可以在机器学习的数据准备阶段使用它。

  • 顺序处理-提供从给定的输入数据生成基于时间的数据的功能。我们可以在机器学习的数据准备阶段使用它。

  • 后端-提供TensorFlow和Theano等后端库的函数。

  • 实用程序-提供许多在深度学习中有用的实用程序函数。

让我们在本章中了解后端模块和utils模型。

后端模块

后端模块用于keras后端操作。默认情况下，keras运行在TensorFlow后端之上。如果需要，可以切换到Theano或CNTK等其他后端。 Defualt后端配置在.keras / keras.json文件下的根目录中定义。

可以使用以下代码导入Keras后端模块

>>> from keras import backend as k

如果我们使用默认后端TensorFlow ，则以下函数将返回基于TensorFlow的信息，如下所示-

>>> k.backend() 
'tensorflow'
>>> k.epsilon() 
1e-07
>>> k.image_data_format() 
'channels_last'
>>> k.floatx() 
'float32'

让我们简要地了解一些用于数据分析的重要后端功能-

get_uid()

它是默认图形的标识符。它定义如下-

>>> k.get_uid(prefix='') 
1 
>>> k.get_uid(prefix='') 2

reset_uids

用于重置uid值。

>>> k.reset_uids()

现在，再次执行get_uid() 。它将被重置并再次更改为1。

>>> k.get_uid(prefix='') 
1

占位符

用于实例化一个占位符张量。保持3D形状的简单占位符如下所示-

>>> data = k.placeholder(shape = (1,3,3)) 
>>> data 
 

If you use int_shape(), it will show the shape. 

>>> k.int_shape(data) (1, 3, 3)

点

它用于将两个张量相乘。考虑a和b是两个张量，而c是ab乘积的结果。假设形状为(4,2)，b形状为(2,3)。定义如下

>>> a = k.placeholder(shape = (4,2)) 
>>> b = k.placeholder(shape = (2,3)) 
>>> c = k.dot(a,b) 
>>> c 
 
>>>

那些

用于将所有值初始化为一个值。

>>> res = k.ones(shape = (2,2)) 

#print the value 

>>> k.eval(res) 
array([[1., 1.], [1., 1.]], dtype = float32)

batch_dot

它用于批量执行两个数据的乘积。输入尺寸必须为2或更大。它显示如下-

>>> a_batch = k.ones(shape = (2,3)) 
>>> b_batch = k.ones(shape = (3,2)) 
>>> c_batch = k.batch_dot(a_batch,b_batch) 
>>> c_batch

变量

它用于初始化变量。让我们在此变量中执行简单的转置操作。

>>> data = k.variable([[10,20,30,40],[50,60,70,80]]) 
#variable initialized here 
>>> result = k.transpose(data) 
>>> print(result) 
Tensor("transpose_6:0", shape = (4, 2), dtype = float32) 
>>> print(k.eval(result)) 
   [[10. 50.] 
   [20. 60.] 
   [30. 70.] 
   [40. 80.]]

如果您想从numpy访问-

>>> data = np.array([[10,20,30,40],[50,60,70,80]]) 

>>> print(np.transpose(data)) 
   [[10 50] 
   [20 60] 
   [30 70] 
   [40 80]] 

>>> res = k.variable(value = data) 
>>> print(res)

is_sparse(张量)

用于检查张量是否稀疏。

>>> a = k.placeholder((2, 2), sparse=True) 

>>> print(a) SparseTensor(indices =       
   Tensor("Placeholder_8:0", 
   shape = (?, 2), dtype = int64), 
values = Tensor("Placeholder_7:0", shape = (?,), 
dtype = float32), dense_shape = Tensor("Const:0", shape = (2,), dtype = int64)) 

>>> print(k.is_sparse(a)) True

to_dense()

它用于将稀疏转换为密集。

>>> b = k.to_dense(a) 
>>> print(b) Tensor("SparseToDense:0", shape = (2, 2), dtype = float32) 
>>> print(k.is_sparse(b)) False

random_uniform_variable

它用于使用均匀分布概念进行初始化。

k.random_uniform_variable(shape, mean, scale)

这里，

  • 形状-表示在元组的格式的行和列。

  • 均值-均匀分布的均值。

  • 标度-均匀分布的标准偏差。

让我们看看下面的示例用法-

>>> a = k.random_uniform_variable(shape = (2, 3), low=0, high = 1) 
>>> b = k. random_uniform_variable(shape = (3,2), low = 0, high = 1) 
>>> c = k.dot(a, b) 
>>> k.int_shape(c) 
(2, 2)

utils模块

utils为深度学习提供了有用的实用程序函数。 utils模块提供的一些方法如下-

HDF5矩阵

它用于以HDF5格式表示输入数据。

from keras.utils import HDF5Matrix data = HDF5Matrix('data.hdf5', 'data')

to_categorical

它用于将类向量转换为二进制类矩阵。

>>> from keras.utils import to_categorical 
>>> labels = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 
>>> to_categorical(labels) 
array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.], 
   [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.], 
   [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.], 
   [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.], 
   [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.], 
   [0., 0., 0., 0., 0., 1., 0., 0., 0., 0.], 
   [0., 0., 0., 0., 0., 0., 1., 0., 0., 0.], 
   [0., 0., 0., 0., 0., 0., 0., 1., 0., 0.], 
   [0., 0., 0., 0., 0., 0., 0., 0., 1., 0.], 
   [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]], dtype = float32)
>>> from keras.utils import normalize 
>>> normalize([1, 2, 3, 4, 5]) 
array([[0.13483997, 0.26967994, 0.40451992, 0.53935989, 0.67419986]])

print_summary

它用于打印模型摘要。

from keras.utils import print_summary print_summary(model)

plot_model

它用于以点格式创建模型表示并将其保存到文件中。

from keras.utils import plot_model 
plot_model(model,to_file = 'image.png')

此plot_model将生成一张图像以了解模型的性能。